计算机网络和信息技术的快速发展,使人们日常生活及工作环境对计算机网络和信息技术的依赖越来越密切,对网络安全的要求也越来越高。当前网络安全防护技术有很多,如防火墙,访问控制和数据加密等。但是这些技术都是静态防御技术,不能完全确保网络的安全和抵御黑客的攻击。在此背景下,主动且动态地对网络进行安全防护的入侵检测系统不可避免地成为网络安全发展的一个新方向,是传统网络安全技术的必要补充。神经网络具有并行计算,非线性,自适应学习和调整,可以分析处理不完整有失真的数据,抗干扰能力强等特性,使其在入侵检测领域中得以应用。BP网络是应用最广泛的一种神经网络,在入侵检测领域已经得到应用。与BP网络相比,径向基函数(RBF)神经网络不需要进行反向误差传播的计算,而是完全前向的计算过程,具有训练时间短且不易收敛到局部最小的优点,并且其函数逼近能力、模式识别与分类能力都优于BP网络,因此将径向基函数应用于入侵检测能够克服传统入侵检测系统的一些不足。代理(Agent)是一个功能实体,能够感知环境变化,对变化做出判断和推理,并形成决策控制相应的行为,从而完成一项任务。代理的上述优点使其应用于入侵检测系统中,成为入侵检测技术的一个新的研究热点。基于径向基函数和代理技术具有的这些优点,本文将两者结合起来同时应用于入侵检测,提出了基于径向基函数神经网络的多Agent入侵检测系统模型。该模型中的模块都应用了基于RBF神经网络的Agent,每个Agent都能互助与协作,使系统具有智能性、分布性、实时性和联动性的特点,能够提供全方位的网络安全防御和系统保护,本文对其核心部分基于RBF神经网络的Agent的结构设计、算法改进、仿真实验等方面进行了深入研究,并对多个Agent的互助与协作机制进行了讨论。该模型具有良好的易用性和扩展性,是一种开发安全管理系统的有效手段。